相关实验视频
Updated: Jul 8, 2025

05:17
Hybrid PET/MRI Imaging of Alzheimer's Disease Based on 18F-AV-1451
Published on: April 18, 2025
173
使用可解释的机器学习模型与可穿戴传感器数据和生活方式因素预测正子发射断层扫描脑粉样蛋白的阳性
Noriyuki Kimura1, Tomoki Aota2, Yasuhiro Aso3
1Department of Neurology, Faculty of Medicine, Oita University, Idaigaoka 1-1, Hasama, Yufu, Oita, 879-5593, Japan. noriyuki@oita-u.ac.jp.
Alzheimer's research & therapy
|December 13, 2023
概括
机器学习模型使用生活方式因素和可穿戴传感器预测大脑粉样蛋白负担升高. 这种非侵入性查方法有助于在老年人中早期发现阿尔茨海默病.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 为阿尔茨海默病的临床试验和护理开发高脑粉样蛋白负担的经济有效的查是至关重要的.
- 机器学习模型被开发用于使用客观测量的生活方式因素来预测粉样蛋白负担.
研究的目的:
- 开发和验证用于预测大脑粉样蛋白负担升高的机器学习模型.
- 评估生活方式因素和可穿戴传感器数据在预测粉样蛋白阳性的有效性.
主要方法:
- 一项前性队列研究涉及日本282名非痴呆症老年人 (≥65岁).
- 参与者佩戴可穿戴传感器,填写问卷,认知测试,并接受正子发射断层扫描成像.
- 机器学习模型 (内核支持向量机,弹性网,逻辑回归) 用于预测粉样蛋白阳性 (SUVR ≥1.4).
主要成果:
- 仅使用生活方式因素的弹性网模型就实现了0.70.0的AUC.
- 将可穿戴传感器与人口和生活方式数据相结合,提高了预测准确度 (AUC 0.79).
- 在所有模型中一致确定了22个变量.
结论:
- 机器学习模型有效地预测大脑粉样蛋白负担的增加.
- 可以使用易于获得的,非侵入性的变量进行查.
- 这种方法减少了对初步评估的医院访问的需求.
更多相关视频
07:45Author Spotlight: Standardizing Mouse In Vivo PET Imaging with Body Conforming Molds and Automated Analysis
Published on: October 25, 2024
403
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K